Predicting Employee Job Satisfaction with Machine Learning

직원의 직무 만족도는 직원의 유지율과 생산성에 큰 영향을 미침에도 불구하고, 직무 만족도에 영향을 미치는 수많은 요인들로 인해 기존의 통계적 접근 방식은 몇 개의 주요 변수들의 설명에 의한 단편적인 해석만 제공해왔다. 최근 복잡한 다차원 데이터 세트를 탐색할 수 있는 확장된 능력을 갖춘 머신 러닝(ML)은 이에 대한 강력한 대안으로 부상하고 있다. 본 연구에서는 한국직업교육훈련원(KRIVET)에서 2021년에 수집한 인적 자본 기업 패널(HCCP)에 속하는 9,516개의 관찰치와 141개의 특징으로 구성된 약 500개 국내 기업의 데이터를 사용하여 직원의 직무 만족도를 형성하는 요인을 분석하였다. 차원 축소 수행 후, 33개의 잠재적 변수를 선택하였고, 나이브 베이즈(Naïve Bayes, NB), 랜덤 포레스트(Random Forest, RF), 서포트 벡터머신(Support Vector Machine, SVB), 그리고 그레디언트부스트 결정 나무(Gradient Boosted Tree, GBT) 모델을 사용하여 전반적인 직무만족도를 예측하였다. 분석 결과, SVM과 GBT 모델이 0.99로 가장 높은 정확도를 보였고, 그 다음으로 RF가 0.96, NB가 0.86로 나타났다. 직무 만족도를 예측하는 주요 인자는 고용형태(contract type), 업무 역할(job role), 그리고 일-생활 양립(work-life balance)이었다. 본 연구 결과는 직원의 직무 만족도를 형성하는 데 있어 다양한 업무 관련 요소와 개인적 요소가 서로 다른 중요성을 지닌다는 점을 강조하며, 인사 관리자가 직원 유지율을 높이고 조직의 성공을 촉진하고자 할 때 어떤 요소를 통제하고 관리해야 하는지에 대한 시사점을 제공한다.

Employee job satisfaction profoundly influences employee retention, productivity, and organizational success. Conventional statistical approaches often fail to capture the complex interplay of numerous factors influencing job satisfaction, whereas machine learning (ML) offers robust capabilities for analyzing multidimensional datasets. In the present study, we investigated the factors shaping employee job satisfaction using data, comprising 9,516 observations. Following dimensionality reduction, 33 key variables were identified and modeled to predict overall employee job satisfaction using Naïve Bayes (NB), Random Forest (RF), Support Vector Machine (SVM), and Gradient Boosted Trees (GBT) models. Among these, the SVM and GBT models achieved the highest predictive accuracy of 0.99. The results highlight the relative importance of work-related and personal factors, providing actionable insights for human resource management to enhance employee retention and organizational success.